从感知、决策到真实动作
物理人工智能让模型不只处理文字和图像，还要依据传感器输入理解环境、选择动作，并通过机器人在现实世界中完成任务。
Physical AI Lab 用简体中文系统梳理 VLA、机器人学习、仿真迁移、机器人基础模型与人形机器人。重点不是追逐模型名称，而是判断系统能否在真实约束下稳定感知、执行、纠错和复现。
物理人工智能基础
物理人工智能的核心是闭环：传感器观察环境，模型估计状态并选择动作，执行器改变环境，新的结果再成为下一轮输入。只会生成答案的模型不等于能够安全完成物理任务的系统。
评估这类系统时，需要同时看任务成功率、失败恢复、延迟、算力、能耗、硬件误差和安全边界。单次演示可以说明能力存在，却不能单独证明长期可靠性。
VLA 模型
视觉—语言—动作模型（VLA）把视觉观察和自然语言指令连接到机器人动作。它与只输出文本的视觉语言模型不同，输出必须进一步对应可执行的控制信号或动作序列。
关键问题包括训练数据覆盖范围、动作表示、控制频率、机器人形态差异，以及遇到陌生场景时能否识别不确定性并安全停止。
Sim-to-Real
Sim-to-Real 指把在仿真中训练或验证的策略迁移到真实机器人。难点来自摩擦、接触、传感器噪声、时延和物体差异，这些细节在仿真与现实之间很难完全一致。
常见方法包括域随机化、系统辨识、真实数据微调和逐级硬件测试。有效迁移不是消除所有差异，而是让策略对不可避免的差异保持足够稳健。
机器人基础模型
机器人基础模型尝试用大规模、多任务数据学习可迁移的表示或策略，再针对具体机器人和任务进行适配。模型覆盖的机器人类型、传感器、动作空间和任务分布决定了它能迁移到哪里。
比较模型时应检查公开数据、评测协议、是否使用额外示范、真实硬件测试范围和失败案例，不能只比较参数规模或宣传中的任务数量。
人形机器人
人形机器人的优势在于能够使用为人类设计的空间、工具和工作流程，但双足平衡、全身控制、手部操作、续航与维护都会增加系统难度。
实际价值取决于完整任务链：能否到达工作位置、识别对象、完成操作、处理异常并持续运行。行走或抓取的单项演示只是其中一部分。
我们如何核查证据
本站优先核对论文、官方技术文档、评测说明和公开部署资料，并区分已验证结果、实验室演示与未来计划。涉及性能数字时，同时说明测试条件、适用范围和已知限制。